Machine Learning | Machine Learning Algorithms | Einfach erklärt — Transcript

Full transcript

1. 0:00hallo alle zusammen ich bin basti und
2. 0:01heute will ich mit euch über machine
3. 0:03learning also maschinelles lernen
4. 0:04sprechen und wie immer versuchen wir
5. 0:06euch das so kompakt wie möglich zu
6. 0:07machen deswegen starten wir auch direkt
7. 0:10[Musik]
8. 0:15maschinelles lernen ist ein teilbereich
9. 0:17der künstlichen intelligenz der
10. 0:19schwerpunkt liegt dabei hauptsächlich
11. 0:20auf dem trainieren von computern damit
12. 0:22die aus daten und erfahrungen lernen
13. 0:24sich stetig selbst verbessern du musst
14. 0:27als externe person also nicht mehr in
15. 0:28den lernprozess eingreifen sondern der
16. 0:30passiert automatisch und genau so wie
17. 0:32das bei uns menschen ist ist es auch bei
18. 0:33maschinen dass sie mehr daten sie zur
19. 0:35verfügung haben desto besser und
20. 0:36schneller können sie lernen dieses neue
21. 0:38wissen auch anwenden deswegen sind
22. 0:41persönliche daten im web auch so
23. 0:42goldwerte unterm strich ist das ziel des
24. 0:44machine learning also daten intelligent
25. 0:46mithilfe von algorithmen miteinander zu
26. 0:48verknüpfen gewisse zusammenhänge zu
27. 0:50erkennen potenzielle vorhersagen zu
28. 0:52treffen oder wahrscheinlichkeiten zu
29. 0:54berechnen wie zum beispiel
30. 0:56kaufwahrscheinlichkeit um hier so immer
31. 0:58passendere anzeigen von für dich
32. 0:59interessanten käufen zu geben das
33. 1:01bedeutet wir anfangs schon erwähnt dann
34. 1:02auch dass der algorithmus aus den
35. 1:04jeweiligen daten selbstständig lernt und
36. 1:06sein programm code alleine erstellt wie
37. 1:08eben schon kurz angedeutet lernt die
38. 1:10maschine eigentlich wie wir menschen
39. 1:11anfangs noch relativ unwissend muss mit
40. 1:14immer mehr informationen also daten
41. 1:16gefüttert werden je mehr sie bekommt
42. 1:18desto eigenstetter wird die lern
43. 1:19software auf der maschine und desto
44. 1:21schneller können wiederum andere
45. 1:22prozesse erlernt werden dann mit
46. 1:24maschinelles lernen aber überhaupt
47. 1:25funktionieren kann und die software die
48. 1:27entscheidung treffen kann muss ein
49. 1:28mensch den algorithmus zuallererst
50. 1:30trainieren durch das bereitstellen von
51. 1:31trainings und beispiel daten kann der
52. 1:33algorithmus dann muster und
53. 1:34zusammenhänge erkennen und somit auch
54. 1:36soldaten lernen den prozess nennt man
55. 1:38modell training wo wird jetzt aber das
56. 1:40maschinelle lernt praktisch angewendet
57. 1:42eigentlich findet man das mittlerweile
58. 1:43beinahe überall ob in der medizintechnik
59. 1:46in unserem smart phones oder oder oder
60. 1:48schauen wir uns mal gemeinsam ein paar
61. 1:50beispiel an um das zu verdeutlichen
62. 1:51beim e mail postfach hat wahrscheinlich
63. 1:53verschiedene eingänge unter anderem weil
64. 1:55auch den beliebten spam-ordner die
65. 1:57wenigsten von uns gucken da wirklich
66. 1:59rein oder überprüfen regelmäßig obwohl
67. 2:01er eigentlich immer mailstream sind
68. 2:03warum eigentlich weil wir uns irgendwie
69. 2:05ganz automatisch darauf verlassen dass
70. 2:07die mails gefiltert werden aber wer
71. 2:09macht das wenn wir das scheinbar nicht
72. 2:10tun die maschine selbst hier kommen die
73. 2:13maschine algorithmen spielt die dazu
74. 2:14verwendet werden um e mails zu
75. 2:15klassifizieren und spams als solche
76. 2:18direkt zu erkennen die morde hinterlässt
77. 2:20gewisse kurz die meist eine hohe
78. 2:21ähnlichkeit zu anderen moll wär's also
79. 2:23viren in mails haben so lernt das system
80. 2:25kontinuierlich dazu
81. 2:27sicherheitsprogrammen die durch
82. 2:28maschinen learning unterstützt werden
83. 2:29verstehen dass codierung muster der
84. 2:31maurer und erkennen daher neue morger
85. 2:32und bieten so direkt schutz noch ein
86. 2:34anderes beispiel wären sprachassistenten
87. 2:36wie google home oder alexa sie werden
88. 2:39immer besser und können ihre nutzer am
89. 2:40schnellsten helfen je mehr sie über ihn
90. 2:41erfahren
91. 2:42die genauigkeit oder auch kontext
92. 2:44fähigkeit von sprachassistent hängt
93. 2:46damit von der qualität der algorithmen
94. 2:47abdi sammeln und verfeinerten
95. 2:49informationen auf der grundlage des
96. 2:50früheren verhaltens des nutzers der
97. 2:52prozess hilft beim anpassen der
98. 2:54ergebnisse an das jeweilige nutzer
99. 2:55profil was dadurch erstellt wird hier
100. 2:58gilt also auch die devise je mehr
101. 2:59datensätze desto besser der assistent
102. 3:01aber auch auf social media findet
103. 3:02maschinelles lernen statt zum beispiel
104. 3:04die personen vorzuschlagen die du
105. 3:06vielleicht kennen könnte ist oder die
106. 3:07activities zu zeigen die zu deinen
107. 3:09interessen passen alles weil ich
108. 3:11algorithmen im hintergrund als nutzer
109. 3:12analysieren und dein verhalten in form
110. 3:14von interessen wonach googles oder auch
111. 3:17deinem freundeskreis in form von listen
112. 3:18bei instagram analysieren und lernen
113. 3:21vorschläge von freunden empfehlungen von
114. 3:23personalisierten news feeds sind also
115. 3:25nichts weiter als das ergebnis von
116. 3:27maschinen learning algorithmen die dein
117. 3:28profil scannen bilder durchsuchen und
118. 3:30deine verhaltensmuster identifizieren
119. 3:32bei machine learning gibt es vier
120. 3:34verschiedene arten wir müssen jetzt
121. 3:36nicht zu tief ins jeweilige modell
122. 3:37eintauchen das für das video leider
123. 3:39sprengen aber wir reisen sie trotzdem
124. 3:41kurz an es gibt einmal das überwachte
125. 3:43lernen beim überwachten lernen mit immer
126. 3:44im zusammenhang mit einer ziel variablen
127. 3:46gelernt und der algorithmus versucht
128. 3:48diese dann richtig vorherzusagen als
129. 3:49praktisches beispiel hätten mit der
130. 3:51unter anderem die vorhersage für den
131. 3:53stromverbrauch für einen bestimmten
132. 3:54zeitraum dann gibt es noch das um
133. 3:56überwachte lernen wo der algorithmus
134. 3:58keine beispiel daten bekommt sondern
135. 3:59daten aus denen der algorithmus
136. 4:01eigenständig interessante versteckte
137. 4:03muster erkennen soll es ist also ganz im
138. 4:05gegensatz zu überwachten lernen nicht
139. 4:07dafür ausgelegt eine vorhersage zu
140. 4:09berechnen das teil überwachte lan ist
141. 4:11eher eine mischung aus den ersten beiden
142. 4:13varianten es nutzt zum einen beispiel
143. 4:15daten mit konkreten ziel variablen aber
144. 4:17auch unbekannte daten als viertes modell
145. 4:19gibt es noch das verstärkende lernen
146. 4:21hier interagieren die algorithmen mit
147. 4:23der umgebung und wenn durch eine kosten
148. 4:24funktion oder ein belohnungssystem
149. 4:26bewertet und so selbstständig eine
150. 4:28strategie zur lösung des problems zu
151. 4:30erlernen der wichtigste unterschied zu
152. 4:31überwachen und in überwachten lernen ist
153. 4:33das bestärken de lernen vorab keine
154. 4:35beispiel daten benötigt es wird damit
155. 4:37die entwicklung einer generell
156. 4:38künstlichen intelligenz angestrebt und
157. 4:40damit verabschiede ich mich auch schon
158. 4:42wieder von euch ich hoffe ihr habt das
159. 4:43ziel und die umsetzung des maschinen
160. 4:45learnings verstanden falls doch noch
161. 4:46fragen offen sein sollten schreibt sie
162. 4:48einfach unten in die kommentare und wie
163. 4:50immer freuen uns natürlich auch über ein
164. 4:51abo es kommen immer wieder neue
165. 4:52erklärvideos von uns und dann verpasst
166. 4:54ihr auch keine mehr also bis zum
167. 4:56nächsten mal tschüss